BizMachine
.Projects
Individuální analýzy B2B trhu
Pokud vám nebudou stačit naše produkty, umíme pomoci i konkrétní analýzou trhu na míru. Poznejte a pochopte trh, na kterém se pohybujete. Nechte si od nás připravit analýzu trhu a obchodních příležitostí na míru.
Získáte datovou i projektovou podporu a všechny zkušenosti našich B2B byznys konzultantů, datového a vývojového týmu
Využíváme nejpokročilejší statistické a analytické metody a nabízíme tak komplexní analýzy
Společně investujeme do budování precizní znalosti trhu, prodejních procesů
i technologií
Co počítáme mezi projekty na míru
Čištění a obohacení vaší databáze zákazníků i nezákazníků
Identifikaci a prioritizaci trhu pro spuštění nového produktu
Vizualizaci interních dat obohacených o BizMachine data
a signály
Nápočet/modelaci obchodního potenciálu pro jednotlivé kanály a obchodníky
Look-alike analýzu zákaznické báze pro potřeby akvizice nových zákazníků a ověření nového segmentu trhu
Pomůžeme vám najít odpovědi na vaše otázky ohledně B2B trhu
Zde je výběr z projektů, které jsme již spolu s našimi klienty úspěšně zvládli
Příklad: Analýza loajality k automobilové značce vs. změna fleetových zákazníků pro dovozce prémiových automobilů
Kontext:
Na trhu firemních vozidel se objevuje nová dynamika. S nákupem prémiových vozů do firemních flotil se něco děje. Jejich dovozci si kladou otázku, zda se jedná o jednorázovou situaci, nebo
o dlouhodobější trend.
BizMachine přístup
První krok je zjistit, jak se zákazníci chovají
Přechází od jedné značky k jiné? Jsou věrni stejné značce při obnově autoparku? Kdy se rozhodnou nakupovat prémiové vozy a kdy s tím přestanou? Mají jen jednu prémiovou značku aut ve své flotile, nebo jich je více?
Identifikovat jednotlivé společnosti, které odpovídají dovozci definovaným archetypům zákazníků, a to za pomocí údajů z registru vozidel.
Identifikace společných rysů mezi společnostmi v rámci každého archetypu za pomoci několikanásobného testování hypotéz podle více než 200 různých kritérií.
Syntéza společných rysů do archetypů zákazníků.
Posledním krokem pak bylo vyhledat všechny jednotlivé společnosti, které odpovídají daným archetypům zákazníka prémiových firemních vozů, ale nemají příslušné záznamy v registru vozidel. Klasifikovali jsme tak celý trh pro prémiové firemní vozy.
Příklad: Identifikovat výrobce vstřikovacích forem na plasty v regionu střední a východní Evropy
Kontext:
Úspěšný výrobce a prodejce surovin (pryskyřice z plastových směsí) chtěl expandovat na mezinárodní úroveň. Cílová skupina jeho aktivit byli výrobci plastových výlisků v celém regionu střední a východní Evropy.
BizMachine přístup
Takto získanou učební sadu analyzujeme, abychom získali obsahové vektory, klíčová slova a fráze, a to za pomocí metod NLP.
Nejprve od klienta získáme data o jeho stávajících místních zákaznících.
Naprogramujeme automatizovaného robota pro webové vyhledávání nebo API konektor pro vyhledávání ve webových prohlížečích (Google, Bing, Seznam). Využijeme jej na nalezení všech klíčových slov a frází.
Roztřídíme výsledky na webové stránky koncových zákazníků, agregátory, katalogy a nerelevantní informace.
Vytěžíme a uložíme důležité informace z webů koncových zákazníků, jako jsou telefonní čísla, e-maily, značky používaných strojů, adresa sídla společnosti atd., a to za pomoci knihoven vzorů.
Příklad: Přepracování PMM pro přední společnost v oblasti logistiky zásilek
Kontext:
Významný hráč v oblasti balíkové logistiky koupil svého konkurenta. Bylo třeba konsolidovat cenotvorbu u všech jejich společných B2B zákazníků. S tím přichází otázka, jak to udělat, aniž by si dané zákazníky rozhněvaly a přitom získali maximum již nasmlouvaných finančních prostředků.
BizMachine přístup
Získat všech 12 ceníků nabyvatelské společnosti a převést je do matematických vzorců.
Shromáždit a vyčistit podkladová data pro všechny zásilky odeslané zákazníky převzaté společnosti (více než
2 miliony položek).
Sestavit algoritmus pro výpočet ceny za každou položku pomocí každého z 12 sazebníků (desítky milionů hodnot), sečíst je všechny pro každého zákazníka a připravit tak pro forma vyúčtování.
Postavit algoritmus pro výpočet rozdílu mezi skutečným
a pro forma vyúčtováním tak, aby vybrala nejvhodnější sadu tarifů pro každého zákazníka.
Takto připravené výsledky analýzy slouží obchodním zástupcům jako podklad pro vyjednávání nových cen
s koncovými zákazníky.
Příklad: Vytvořit automatický feed poháněný umělou inteligencí pro B2B marketplace se stavebními materiály
Kontext:
Významný tradiční velkoobchodník se stavebními materiály se rozhodl narušit zvyklosti prodeje stavebních materiálů a vybudovat pro jejich prodej digitální tržiště. Aby se tak mohlo stát, bylo třeba zpracovat desítky tisíc různorodých SKU (Stock Keeping Unit - unikátní čárové kódy pro konkrétní produkty a jejich konkrétní balení) a následně je přehledně zařadit do srozumitelného on-line katalogu.
BizMachine přístup
Získat "miliony" vstupních zdrojů (patřily k nim ERP kanály, materiálové databáze, obrázky, pdf dokumentace produktů, tištěné papírové stránky katalogů, ...).
Vytvořit cílovou šablonu katalogu podle pro každý produkt unikátních SKU a určit všechny povinné parametry pro každou SKU (např. délka, hmotnost, ...).
Vytvoření knihovny vzorů pro SKU a jejich parametry.
Vytvoření načítacích a parsovacích programů, které budou přijímat a převádět zdrojová data pomocí knihovny vzorů a automaticky je načítat.
Museli jsme ale vytvořit i dohlížející aplikaci, která upozorní na možné problémy při načítání konkrétních produktů
a umožní ruční přepsání chybného záznamu.
Vše jsme zabalili do "zpětnovazební smyčky" umělé inteligence, která se učí z akcí supervizora (tedy výše zmíněné dohlížející aplikace).
Posledním krokem pak bylo vytvoření rozhraní REST API pro publikování výsledků do vnějšího světa, tedy zveřejnit na on-line B2B tržišti.
Příklad: Hodnocení a testování digitální zdatnosti lékařů pro velkou farmaceutickou společnost
Kontext:
Během pandemie se ukázalo jako obtížné, ne-li nemožné, mluvit s lékaři osobně. Kteří z nich budou reagovat na digitální komunikaci? A kde nemá smysl se o to vůbec pokoušet?
BizMachine přístup
Prvním krokem bylo shromáždit oborové zdroje (veřejné seznamy praktických lékařů, ordinací a klinik, vědecké časopisy, konference, ...).
Získat digitální stopu lékařských praxí pomocí chytrého crawleru BizMachine a automatických scraperů pro vyhledávání na webu.
Srovnat a validovat digitální stopu jednotlivých lékařů a jejich ordinací (šlo o ruční ověření vybraného vzorku a následně automatické ověření na základě ručně identifikovaných systémových problémů).
Sestavili jsme skóre pro digitální afinitu lékařské praxe.
Testovali jsme míru odezvy různě afinitních segmentů a vliv na digitální komunikaci pomocí automatizovaného neintruzivního sondování.
Příklad: Vytvořit na datech postavený outbound prodejní kanál partnerského prodeje pro přední technologickou firmu
Kontext:
Každá společnost v dnešní době potřebuje digitální služby. Ale jaké služby přesně to jsou a kdy je o nich nejlepší mluvit, abyste maximalizovali jejich prodej a posílili si vztah se svými zákazníky?
BizMachine přístup
Prvním krokem je analýza desítek tisíc B2B zákazníků
(s využitím interních fakturačních dat a informací
o chování zákazníků spolu s využitím externích dat).
Postavili jsme prediktivní model záměru nakoupit konkrétní služby v konkrétním rozsahu. To vše na základě více než 600 testovaných parametrů pro více než 300 000 společností, které jsme identifikovali za pomocí inteligentního crawleru BizMachine a dalších nástrojů.
Nastavili jsme integraci modelu s klientským CRM
a nástrojem BizMachine Prospector, a to tak,aby pracovníci call centra měli nejen seznam lidí k oslovení, ale i specifické důvody, proč volají právě danému zákazníkovi (obsahovaly například rysy relevantní pro daného potenciálního zákazníka) spolu s logikou směrování na prodejní oddělení třetích stran.
Vytvořili jsme vyhodnocovací nástroj pro efektivitu prodeje třetích stran (rychlost zapojení, konverzní poměr, doba do uzavření, velikost obchodu atd.).
Zjistěte o naší práci více
